已整理神经网络模型.docx
神经网络模型（MP模型）一、运用的范围 模式识别，图像处理，智能控制，组合优化，金融预测与管理，通信，机器人以及专家系统等领域。二、数据特征多对象输入出来若干量，中间暗含了信号经过的各种层次，此即BP神经网络模型eg 虫的问题中对新虫的分类相当于中间的未知函数被屏蔽了，基本方法是训练法工具是DSP三、分类及作用前馈网络主要是函数映射，可用于模式识别和函数逼近。反馈网络按对能量函数的极小点的利用来分类有两种：第一类是能量函数的所有极小点都起作用，这一类主要用作各种联想存储器；第二类只利用全局极小点，它主要用于求解最优解V函数的选取原则向后传播算法（BP算法）：对于一个多层网络，如何求得一组恰当的权值，使网络具有特定的功能。设出一个函数，函数值是理想值与实际值的差值平方的一半，对该函数求导，求出极值，在如上的算法中，利用实际输出与理想输出差的平方和作为度量优劣的标准，这并不是唯一的度量方式，完全可以从其它的函数形式出发，例如从相对熵出发，导出相应的算法最速将下法是一种迭代算法，为求出函数的（局部）极小，它从一个任取的初始点出发，计算在该点的负梯度方向，这是函数在该点下降最快的方向学习过程是求出权重的过程，对应任何一组输入，所有输出单元中，只允许有一个处于激发态，即取值为 1，其它输出单元均被抑制，即取值为 0。一种形象的说法是，对应任何一组输入，要求所有的输出单元彼此竞争，唯一的胜利者赢得一切，失败者一无所获，形成这样一种输出机制的网络学习过程，称为有竞争的学习。四、解题步骤1网络初始化；2隐含层输出计算；3输出层输出计算；4误差计算；5权值更新；6阀值更新；7判断算法迭代是否完成，没完成则返回步骤2, , ···，：输入信号···，：神经元之权值：线性组合结果：阀值：激活函数：为神经元的输入函数最常用的函数形式为参数可控制其斜率。另一种常用的是双曲线正切函数这类函数具有平滑和渐进性，并且保持单调性。Matlab工具箱的传递函数：线性传递函数：硬限幅传递函数：对称硬限幅传递函数：饱和线性传递函数：对数性传递函数：正切性传递函数：径向基传递函数：竞争层传递函数 各个函数的定义及使用方法，可以参看Matlab的帮助（如在Matlab命令窗口运行，可以看到的使用方法，及的定义为 ）例题生物学家试图对两种昆虫进行分类，分别为Af和Apf，依据资料是触角和翅膀的长度。已经测得九只Af和六只Apf的数据如下：Af:(1.24,1.27);(1.36,1.74);(1.38,1.64);(1.38,1.82)(1.38,1.90);(1.40,1.70);(1.48,1.82);(1.54,1.82);(1.56,2.08）。Apf:（1.14,1.82);(1.18,1.96);(1.20,1.86);(1.26,2.00);(1.28,2.00);(1.30,1.96);问题：1、根据以上数据确定一种方法区分两种昆虫。2、对触角和翼长分别（1.24 1.80）;（1.28 1.84）;（1.40 2.04），用所得的方法加以识别。3、设是Af宝贵的传粉益虫，Apf含有病原体，是否应该修改分类的方法。BP算法:clearp1=1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08;p2=1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00;1.28,2.00;1.30,1.96;p=p1;p2'pr=minmax(p);goal=ones(1,9) zeros(1,6);zeros(1,9) ones(1,6);目标输出plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o');net=newff(pr,3,2,'logsig','logsig')建立网络 3层数 2输出层单元数net.trainParam.show=10net.trainParam.lr=0.05net.trainParam.goal=1e-10net.trainParam.epoch=50000net=train(net,p,goal)训练网络x=1.24 1.80;1.28 1.84;1.40 2.04'y0=sim(net,p)y=sim(net,x)pr为r个输入数的最大值与最小值矩阵r*2newff带有对话框的反馈式网络net.A=Logsig(N)由N个网络输入元素计算网络输出的传递函数值,数学含义是logsig(N)=1/(1+exp(-N)train是神经网络训练函数Sim是一个模型模拟函数LVQ算法p1=1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08;p2=1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00;1.28,2.00;1.30,1.96;p=p1;p2'pr=minmax(p)；goal=ones(1,9) zeros(1,6);zeros(1,9) ones(1,6);net=newlvq(pr,4,0.6,0.4)net=train(net,p,goal)Y=sim(net,p)x=1.24 1.80;1.28 1.84;1.40 2.04'sim(net,x)4是代表pr个数，0.6,0.4代表在0.5附近
